基于微粒群与混合蛙跳融合的群体智能算法

针对微粒群算法和混合蛙跳算法存在的早熟收敛问题,提出一种基于微粒群与混合蛙跳算法融合的群体智能算法。新算法将整个群体分成数目相等的蛙群和微粒群群体。在两群体独立进化过程中,设计了一种两群之间的信息替换策略：比较蛙群与微粒群的最佳适应值,如果蛙群进化较好,利用蛙群各子群中最差个体替换微粒群一部分较好个体;否则,用微粒群中较好的一部分个体替换蛙群各子群的最好个体。同时,设计了一种两群之间的相互协作方式。为避免微粒群因早熟收敛而影响信息替换策略效果,适时对其所有个体最好位置进行随机扰动。仿真实验表明,新算法可以有效提高全局搜索能力及收敛速度,对于高维复杂函数问题,算法具有很好的稳定性。     

基于部分微粒更新改进的具有非线性动态惯性因子的微粒群新算法

微粒群算法是基于群体智能的全局优化算法,在许多领域得到广泛的应用.该算法具有简单易于实现的优点,但是容易陷入局部极值尤其是采用动态惯性因子.采用动态惯性因子有利于提高微粒群算法的收敛速度,但降低了其全局搜索能力.针对具有惯性因子微粒群算法在进化过程中微粒群多样性减弱容易陷入局部最优值的问题,以非线性动态惯性因子的微粒群算法为基础,提出1种基于部分微粒更新的微粒群算法,以提高微粒群的多样性,进而提高了算法的全局搜索能力.新算法利用Sphere、Rastrigin、Rosenbrock、Schaffer、Freudenstein-Roth、Goldstern-Price 6个经典测试函数进行测试,并与基本微粒群算法和具有线性动态惯性因子微粒群算法比较.通过模拟优化比较,新算法寻优效率高、全局性能好、优化结果稳定,新算法能有效提高微粒群的多样性,具有较好的收敛性能和全局优化能力,尤其适合多峰函数的优化.     

基于微粒群算法与模拟退火算法的协同进化方法

提出了一种基于模拟退火与微粒群算法的协同进化方法,利用了微粒群算法的易实现性、局部快速收敛性以及模拟退火算法的全局收敛性.通过两种算法的协同搜索,可以有效克服微粒群算法的早熟收敛.仿真结果表明,本文的协同进化方法不仅具有较好的全局收敛性能,而且具有较快的收敛速度.文章从理论上证明了该方法以概率1收敛于全局最优解.     

一种多粒子群协同进化算法

为进一步提高多粒子群协同进化算法的寻优精度, 并有效改善粒子群易陷入局部极值及收敛速度慢的问题, 结合遗传算法较强的全局搜索能力和极值优化算法的局部搜索能力, 提出了一种改进的多粒子群协同进化算法. 对粒子群优化算法提出改进策略, 并在种群进化过程中, 利用遗传算法增加粒子的多样性及优良性, 经过一定次数的迭代, 利用极值优化算法加快收敛速度. 实验结果表明该算法具有较好的性能, 能够摆脱陷入局部极值点的问题, 并具有较快的收敛速度.     

改进的多种群协同进化微粒群优化算法

提出一种改进的基于多种群协同进化的微粒群优化算法（ＰＳＯ）．该算法首先利用免疫算法实现解空间的均匀划分,增加了算法稳定性和全局搜索能力．在运行过程中,通过种群进化信息生成解优胜区域,指导变异生成的微粒群向最优解子空间逼近,提高算法逃出局部最优的能力．将此算法与ＰＳＯ 算法和多种群协同进化微粒群算法进行比较,数据实验证明,该算法不仅能有效地克服其他算法易陷入局部极小值的缺点,而且全局收敛能力和稳定性均有显著提高．     

面向多模态函数优化的改进小生境粒子群算法

为了保持群体多样性以增强全局搜索能力,小生境技术在遗传算法中得到了广泛应用.针对多模态函数优化问题,将小生境技术引入到粒子群算法中,建立小生境熵作为群体多样性的量化指标,实时考查进化过程中群体的多样性并调整进化参数;结合数论中的佳点理论,提出一种在解空间使用佳点搜索的群体多样性发掘方法,使得进化过程中群体多样性水平始终保持在设定的阈值之上,从而改善算法的全局搜索能力以期跳出局部最优;在此基础上提出一种旨在找出全部全局最优解和局部最优解的新型串行多群体小生境粒子群算法.数值实验表明,改进的小生境粒子群算法在求解多模态函数优化问题时具有较好的自适应性和收敛性.将算法应用于图像配准实验中,使得配准参数估计误差有明显降低.     

双群体随机微粒群算法

以保证全局收敛的随机微粒群算法为基础,文章提出了一种双群体随机微粒群算法——DB-SPSO。该方法采用两个群体同时进化,一个群体在进化过程中所出现的停止微粒由另一群体的微粒来代替,并和此群体中其余的微粒一起继续进化。通过对此算法的参数适用范围及收敛率进行讨论,给出了此算法的适用范围。其仿真结果表明:对于单峰函数和多峰函数,此算法都能够取得较好的优化效果。     

改进的微粒群算法及其在风电场建模中的应用

分析了微粒群算法易陷入局部最优和进化后期收敛速度慢且精度较低的缺陷,针对即使在同一迭代时期,不同的微粒的惯性权值所调节的局部搜索能力和全局搜索能力的差异的基础上,提出了一种在同一迭代时期,个体惯性权重随个体的适应值自适应调整的方法。另外,在进化后期,防止种群多样性变差和易陷入局部最优,提出了柯西变异算子,使这些微粒能及时跳出局部极值,通过典型的4种测试函数的测试和比较,表明改进的算法精度更高,收敛速度更快。然后将改进的微粒群算法用于风电场风速概率分布模型的优化,与常规的统计方法相比,表明该方法具有更高的拟合精度。     

自适应扩散混合变异机制微粒群算法

为了避免微粒群算法(particle swarm optimization,简称PSO)在全局优化中陷入局部极值,分析了标准PSO算法早熟收敛的原因,提出了自适应扩散混合变异机制微粒群算法(InformPSO).结合生物群体信息扩散的习性,设计了一个考虑微粒分布和迭代次数的函数,自适应调整微粒的"社会认知"能力,提高种群的多样性;模拟了基因自组织和混沌进化规律,引入克隆选择使群体最佳微粒gBest实现遗传微变、局部增值,具有变异确定性;利用Logistic序列指导gBest随机漂移,进一步增强逃离局部极值能力.基于种群的随机状态转移过程,证明了新算法具有全局收敛性.与其他几种PSO变种相比,复杂基准函数仿真优化结果表明,新算法收敛速度快,求解精度高,稳定性好,能够有效抑制早熟收敛.     

改进的多种群协同进化微粒群优化算法

提出一种改进的基于多种群协同进化的微粒群优化算法（ＰＳＯ）．该算法首先利用免疫算法实现解空间的均匀划分,增加了算法稳定性和全局搜索能力．在运行过程中,通过种群进化信息生成解优胜区域,指导变异生成的微粒群向最优解子空间逼近,提高算法逃出局部最优的能力．将此算法与ＰＳＯ 算法和多种群协同进化微粒群算法进行比较,数据实验证明,该算法不仅能有效地克服其他算法易陷入局部极小值的缺点,而且全局收敛能力和稳定性均有显著提高．

     

CW-PSO及其在古建筑传感器优化配置中的应用研究

针对粒子群优化算法容易陷入早熟收敛以及全局搜索和局部搜索平衡能力差等缺点,提出了基于余弦自适应调整惯性权重的粒子群优化算法(CW-PSO),并将其应用在木构古建筑传感器优化配置中。仿真结果表明,该算法在一定程度上避免了早熟收敛,提高了全局和局部搜索性能,又能得到较为精确的寻优结果。     

基于进化状态判定的模糊自适应二进制粒子群优化算法

随着迭代过程的推进,二进制粒子群算法容易陷入局部最优解,后期收敛性较差.针对此缺点,文中提出基于进化状态判定的模糊自适应二进制粒子群优化算法.采用隶属函数进行模糊分类的方法,判定种群进化状态.在迭代过程前期采用S形映射函数和较大的惯性权重值,提高收敛速度,保证算法的稳定性.后期采用V形映射函数和动态增减的惯性权重值,增强算法后期全局探索能力,避免其陷入局部最优.仿真实验表明,文中算法的收敛速度较快,精度较高,搜索能力较好,可以避免早熟现象.     

基于指数衰减惯性权重的分裂粒子群优化算法

针对粒子群优化算法因种群多样性丧失而陷入局部最优、早熟收敛的问题,提出一种基于指数衰减惯性权重的分裂粒子群优化算法（EDW-DPSO）。首先,采用半均匀初始化种群,使种群以整体均匀、局部随机的方式分布;其次,引入动态分裂算子,对满足分裂条件的粒子执行分裂操作,增加种群多样性,避免粒子陷入局部最优;最后,采用指数衰减的惯性权重,平衡粒子全局搜索和局部开发能力。实验结果表明,该算法在前期有较大的搜索空间,种群多样性增加,后期则强调局部开发,提高收敛精度和优化能力,加快粒子跳脱局部极值逼近全局最优。     

多自适应策略粒子群优化算法及应用

为了平衡粒子群优化算法的全局和局部搜索能力,提出了一种多自适应策略粒子群优化算法。该算法在粒子进化过程中,采用了基于粒子进化度和局部开启混沌搜索相结合的速度自适应调节策略。将算法应用于模拟电路故障诊断的BP神经网络训练中,有效地解决了常规BP算法收敛速度慢、易陷入局部极小的问题。仿真结果表明算法具有较快的收敛速度和较高的诊断精度。     

基于高斯变异的量子粒子群算法

粒子群算法相对于其他优化算法来说有着较强的寻优能力以及收敛速度快等特点,但是在多峰值函数优化中,基本粒子群算法存在着早熟收敛现象。针对粒子群算法易于陷入局部最小的弱点,提出了一种基于高斯变异的量子粒子群算法。该算法使粒子同时具有良好的全局搜索能力以及快速收敛能力。典型函数优化的仿真结果表明,该算法具有寻优能力强、搜索精度高、稳定性好等优点,适合于工程应用中的函数优化问题。     

改进的粒子群算法在烧结配料中的应用

为提高计算机烧结配料的自适应性和通用性,提出了基于改进粒子群算法优化求解的方法。该方法采用柯西分布函数演化而来的调整函数,根据迭代次数惯性权重动态调整,对粒子群算法的全局和局部搜索能力进行平衡调整,使算法初期有较快的收敛速度,后期又保持较高的寻优精度,从而提高了粒子群算法的全局和局部搜索能力。仿真结果表明,所提出的改进粒子群算法收敛速度快、精度高、具有较强的全局寻优能力,能有效降低钢铁企业烧结成本,为实际工程应用提供了一个新思路。     

一种基于适应值分析的智能粒子群算法

标准粒子群算法在求解多维多峰函数问题时,存在局部寻优精度不高、全局寻优能力不强和收敛速度慢的缺点,为此提出一种基于适应值分析的智能粒子群算法。该算法引入“局部适应值参数”、“全局适应值参数”和“坐标轮换法”思想,经过对3个多维多峰函数的测试,表明该算法兼顾了局部和全局搜索,并拥有较快的收敛速度。     

求解TSP的蚁群与模糊自适应粒子群算法

为了解决规模复杂的旅行商问题,提出了融合蚁群算法和粒子群算法的一种群体智能混合算法,并构建了惯性权值模糊自适应调整模型。针对此混合算法易陷入局部最优,设计了参数自动调节机制,以达到局部搜索和全局搜索之间的平衡。在搜索的初期时,参数[ω]会自适应调整为较大值,则算法应具有很强的全局搜索能力;当进入搜索的后期时,参数[ω]会自适应调整为较小值,则算法应具有较强的局部搜索能力。通过大量仿真实验表明,改进的混合算法搜索能力优于同类算法和传统算法,而且该模型应用在大规模TSP中,获得了满意的效果。     

基于种群划分与变异策略的粒子群优化算法

粒子群算法因其形式比较简洁，参数设置灵活，操作简便易行，并且能够快速收敛，从而引起广泛关注。但是传统的粒子群算法也有缺陷：收敛速度慢以及容易陷入局部最优等。针对这些问题，本文借鉴小生境的方法，在进化初始阶段，对种群进行划分，将初始种群分为子种群，对不同的子种群进行不同的变异策略；在进化过程中，针对不同的子种群，设置不同的惯性权重因子ω，用来增强全局搜索能力与局部搜索能力。实验结果表明，本文提出的算法较传统的粒子群算法具有较快的收敛性以及找寻的全局最优解更接近真实解集，收敛精度比较高。     

一种用于网络入侵检测的杂交聚类算法研究

针对K均值聚类算法在全局优化中的不足,提出了基于粒子群的K均值(PSO-KM)聚类算法。粒子群优化算法作为一种基于群智能方法的演化计算技术,有很好的全局搜索能力。通过理论分析及实验证明,该算法有较好的全局收敛性,能有效地克服传统的K均值算法易陷入局部极小值的缺点。对KDD-99数据集的仿真实验结果表明,该算法在入侵检测中能获得令人满意的检测率和误检率。